点云配准作为计算机视觉领域中的关键技术,广泛应用于三维重建、医疗影像等场景中,其是一项通过计算刚性转换参数将两个点云进行对齐的研究任务。在实际应用中,由于扫描设备与物体角度等一些原因,多数情况下所获得的点云并不是完整的,或许会存在残缺。因此,针对残缺点云配准算法进行研究是符合实际且必要的。相比配准完整点云,由于待配准的残缺点云是部分重叠的,因此更加具有难度。针对上述所存在的问题,本文开展了以下两部分的研究工作。（1）提出了一种基于深度局部特征的残缺点云配准算法。首先,为了在低维空间有效地捕捉几何特征间的相互依赖性,运用了局部注意力特征提取模块,该模块通过突出每个点邻域上的不同注意力权重提取局部上下文注意力特征。之后,在注意力特征聚合模块中应用两个位置编码块逐步扩展高维空间中每个点的接受域,以获取复杂的局部上下文特征。其中使用的注意力池化可以自动学习重要的局部特征,以减轻可能出现的信息丢失,增强模块学习特征表示的能力。最后,为了减少不匹配点对的影响,使用了匹配可信度模块对每个点对的匹配可信度进行评分。在数据集上进行的实验,分别验证了该算法的合理性与有效性。（2）提出了一种基于多重注意力与深度混合特征的残缺点云配准算法。首先,为了获取区分性的特征设计了多重注意力模块,该模块分别从通道映射、点云空间以及自几何信息获取对应的注意力特征,并使用注意力特征融合块增强特征表示。其次,为了减缓配准的模糊性,使用非线性网络对三维原始信息与高维特征学习并融合,获取的深度混合特征用于指导网络进行对应关系搜索与匹配可信度计算。最后,使用加权奇异值分解计算配准网络所需的转换参数。在人工数据集与真实数据集中的实验结果充分表明了该算法的优越性。